基于Wi-Fi的室内人员被动检测方法与流程

本发明属于无线传感器网络领域，涉及一种基于wi-fi的室内人员被动检测方法，以解决现有被动式人员检测方法受环境变化影响较大、检测的准确性和鲁棒性不足的问题，同时在检测到目标存在的情况下，对目标当前的活动状态进行进一步判断。

背景技术：

随着网络技术的飞速发展，无线信号基本遍布生活的每一个角落。如今，人们进行室外活动和工作的时间逐渐减少，大多数的活动都在室内进行，例如工作、吃饭、购物、娱乐等等。基于信道状态信息(channelstateinformation，csi)特征的被动式室内人员检测方法可应用于智能家居、医疗监护、安全检测等方面。

在室内环境中，无线信号通过反射、绕射和散射等经过多条路径到达接收端，如图1所示。不同路径的无线信号具有不同的延时、衰减和相位变化，接收端接收到的是这些复杂的无线信号融合而成的信号。由于室内存在人员时，无论是静止目标还是运动目标均会对空间中传播的无线信号产生影响，因此，通过比较场景无人状态下和存在目标状态下无线信号的特征差别，可以判断出场景内是否存在人员。

通过分析不同场景下无线信号的变化差异可以完成室内人员检测，其中指纹模型方法是目前的主流技术，该方法存在消耗小、参数获得较简单、精度高等优势。基于指纹模型的方法由离线和在线两部分组成：离线状态下，分别采无人环境和存在目标时的无线信号，提取特征指纹；在线状态下，采集无线信号，提取特征指纹与离线状态下的特征指纹进行比较，判断出场景下有人或无人。然而已有的检测方法通常是在时域上提取特征指纹，受环境影响较大，存在限制，准确率较低，这些问题都有待进一步提高。

由于接收的信号强度指示(receivedsignalstrengthindication，rssi)，可以通过无线技术和蜂窝网等很容易的获取，因此传统的无线感知手段使用rssi。但rssi是媒体介入控制层(mediaaccesscontrol，mac)的能量特性，容易受多径效应的影响，非常不稳定，只适用于环境简单且精度要求不高的场景。具体而言，在一个典型的室内环境里，无线信号传播的整个过程中，需要经过反射、绕射和散射等，最终通过多个路径到达接收端的。来自不同路径的无线信号具有不同的延时、衰减和相位变化，某一个接收器在某个时间点接收到由这些复杂的无线信号融合在一起组成的信号。rssi作为来自多条路径的信号叠加值，非常不稳定。即便是一条没有人为干扰的静态链路，在不同的时间点上也会产生波动。这是由于来自某一条路径上的波动虽然非常小，但是所有链路的波动叠加后可能导致最后的叠加值产生剧烈的变化。

信道状态信息是物理层特性，在无线通信领域，csi是指通信链路的信道属性，它描述了信号在信号发射器和接收器之间的传播过程中的衰减因子，包括散射、环境衰减、距离衰减等信息，csi在室内传播的多条路径中的三条如图2所示，图3为图2中三条路径相对应的信号波形。csi通常包含瞬时csi和统计csi，其中，瞬时csi在信道条件已知条件下可以被视为数字滤波器的脉冲响应，通过瞬时csi可以让信号发射器和接收器适应传输信号的脉冲响应，从而优化空间复用和降低数据传输错误率；统计csi是信道长期观测结果的一个统计值，通过这个统计信息可以了解信号衰减因子的分布情况、平均信道增益以及空间相关性等信息。csi相较于rssi来说更加细粒度和稳定，但是准确获取需要专用设备，这成为了初期研究时的阻碍。然而随着正交频分复用技术(orthogonalfrequencydivisionmultiplexing，ofdm)的广泛使用，研究人员可以通过修改固件的方法将获取csi在不同子载波频率上的采样版本信道频率响应(channelfrequencyresponse,cfr)，因此最近的研究都转向利用更细粒度的csi信息。

现有的基于csi的检测方法都是在时域上处理无线信号并提取特征指纹，然而时域上无线信号会受到环境因素的影响，存在限制，准确率较低。

技术实现要素：

本发明的目的在于解决现有方法中只能检测出场景无人状态和存在动态目标状态，以及时域上提取出的指纹受环境因素以及多径效应的影响存在较大的局限性。本发明基于细粒度物理层信息csi，提取频域上的有效特征指纹，离线时训练无人场景、存在静止目标以及存在运动目标场景时的特征指纹，针对每根接收天线，通过分析不同状态下提取出的信号特征，确定区分无人和有人的阈值，并画出存在静止目标和存在运动目标时的概率分布直方图；在线阶段，通过计算采样信号的信号特征，首先判断是否存在检测目标，在检测到目标存在时，进一步计算当前的概率分布直方图，通过与事先训练好的静态和动态直方图进行比较，判断检测目标的当前状态。在获得每根接收天线的检测结果之后，利用投票方案确定最终的检测结果。

为实现上述目的，本发明采用的技术方案为一种基于wi-fi的室内人员被动检测方法，具体包含以下步骤：

步骤一：离线阶段，建立合理的室内测量点分布，将场景除去障碍物后均分为若干个区域，首先采集静止目标时处于测量点的数据；其次采集动态目标时在测量区域随机走动的数据；最后采集场景内无被测目标时的数据，完成离线阶段的数据采集，从中选取一部分测量点的数据用于离线训练，减少训练代价；

步骤二：导出测量的原始数据；

步骤三：对原始数据进行降噪处理，通过滤波器去除异常点，同时使用中值滤波消除csi传播过程中受到多径效应及环境影响所混杂在原始数据中的噪声；

步骤四：计算场景无人时和存在目标时的频域上的相关系数csta、和生成概率密度函数pdf，根据pdf图像的交点确定阈值δ；

步骤五：使用滑动窗口继续分析场景存在静止目标和存在动态目标的特征指纹，使用滑动窗口并计算出每根接收天线的滑动窗口相关系数矩阵cstan_ave和cdyn_ave，画出cstan_ave和cdyn_ave的频率分布直方图；

步骤六：在线阶段，采集一组任意时长的在线数据，计算在线状态下每根接收天线接收数据的相关系数矩阵tt，绘制矩阵tt的pdf图像，比较图像最高点与阈值δ的大小，判断测试状态是否为静态状态，若不少于两根天线上的测试值与阈值δ比较的结果得出目前状态为场景内存在目标，则继续计算出每根天线上滑动窗口内频域上的相关系数矩阵tt′，分别画出测量数据tt′在三根天线状态下的概率分布直方图，将其与存在静止目标和存在动态目标时的概率分布直方图进行比对，相似度高的即为当前场景下存在目标的具体状态。

作为优选，上述滤波器采用hampel滤波器。

进一步，上述步骤四具体包括：

步骤4.1：场景无人状态下，计算两两子载波间的相关系数，每根接收天线接收到的数据生成的静态指纹csta为：

其中，为场景无人状态下第i条子载波和第i+1条子载波间的相关系数；

步骤4.2：有静止目标状态下，同样计算相关系数，每根接收天线接收到的数据生成的存在静止目标的指纹为：

其中，为存在静止目标状态下第i条子载波和第i+1条子载波间的相关系数，cstan_l为一个测量点上的指纹向量，l为测量位置点；

步骤4.3：存在动态目标状态下，计算相关系数，每根接收天线接收到的数据生成的存在动态目标的指纹为：

其中，为存在动态目标状态下第i条子载波和第i+1条子载波间的相关系数，cdyn_l为一个测量点上的指纹向量，l为测量位置点；

步骤4.4：将csta、和在一张图中生成概率密度函数pdf，可发现无人和有人时的区分明显，存在静止目标和存在动态目标的区分不明显，因此比较pdf图像最高点的数值，确定阈值δ划出场景有人和无人状态的分界线。

进一步，上述步骤五包括：

步骤5.1：存在静止目标时，每根接收天线接收到的数据生成的特征指纹cstan_ave为：

其中，为每个滑动窗口下子载波间的特征指纹的平均值；

步骤5.2：存在动态目标时，每根接收天线接收到的数据生成的特征指纹cdyn_ave为：

其中，为每个滑动窗口下子载波间的特征指纹的平均值。

作为优选，上述步骤五中所述滑动窗口为5秒。

同样，作为优选，上述步骤六中所述滑动窗口也设置为5秒。

与现有技术相比，本发明的有益效果：

(1)设备无关，实施方便。

基于csi特征指纹的被动式室内人员检测方法是设备无关的，它只需要一个能发送无线信号的普通商用路由器和配有intel5300网卡且可以输出csi信息的电脑就可以完成工作，不需要増加额外的无线设备，也不需要目标携带相关的传感器设备，因此成本低且易实施。

(2)csi拥有丰富的信号特征，具有很大优势。

相对于rss单一的指纹特征，csi拥有更丰富的指纹信息，例如频率衰减特性、相位及能量强度等，这些特征可以反映出目标入侵时的信号特征，并且在时域和频域上感知更细微的环境信息。

(3)csi具有较强的稳定性

相同环境下，较rss而言，csi的整体结构特征相对稳定，具有在静态环境下保持相对稳定且对目标运动敏感的特性，更适用于复杂的室内定位环境。同时，csi也能够在一定程度上刻画多径传播。

(4)检测准确率高，可判断出目标的具体状态

基于指纹的室内人员检测方法根据场景量身定制，根据运用的场景训练专属特征指纹。本方案中提取有效csi特征，在频域上计算子载波间的相关性生成指纹，很好的避免了时域上无线信号受到环境因素的影响，通过多次训练确定的阈值和投票方式可以减少误报的出现，因此检测准确率高。此外，本方案不仅仅是检测场景有无目标，还能够判断目标的具体状态，具有多样性。

附图说明

图1是传多路径传播的示意图。

图2是csi在室内传播过程中三条路径的信号示意图。

图3是三条不同路径的信号波形图。

图4是试验场景的布局图。

图5是离线状态下基于csi特征指纹的被动式室内人员检测方法流程图。

图6是在线状态下基于csi特征指纹的被动式室内人员检测方法流程图。

具体实施方式

现结合附图对本发明做进一步详细的说明。

本发明是一种基于csi特征指纹的被动式室内人员检测方法，在一个平稳的信道中，信道信息可以通过在频域建模为：

y＝hx+n(13)

其中y和x分别是信号接收端和发射端的向量，h为信道信息矩阵，n为高斯噪声向量。通过公式我们可以得到所有子载波的csi计算公式：

每条子载波上的csi可以表示为：

h＝|h|e^jsin(∠h)(15)

其中|h|和∠h分别为每个子载波的振幅和相位。

本发明在长8.6m宽5.7m的室内场景中，使用一个无线访问接入点(wirelessaccesspoint，ap)即无线路由器，和一个配有3天线intel5300网卡的电脑作为监测点(monitoringpoint，mp)，通过修改固件获取csi数据，实验平台为基于“linux802.11ncsitool”的集成安装工具tns-csitool搭建的基于wi-fi的无线感知系统平台，具体实现步骤如下：

步骤1：建立合理的室内测量点分布，完成离线阶段的数据采集。

本发明基于csi特征指纹，指纹模型的方法分为离线和在线两个阶段。离线阶段的工作为：

(1)将场景内除去桌子、椅子等占据位置之外的地面均分为32个1m*1m的区域，每个区域的中心点设为测量点。将ap与mp摆放在场景两侧且在同一条直线上。如图4所示。

(2)被测目标静止于测量点上，采集存在静止目标时的32组数据。

(3)被测目标依次在32个区域内随机走动，采集存在运动目标时的32组数据。

(4)场景内无被测目标，采集静态无目标时的数据。

在本发明中，为了减少离线训练时的代价，选取测量点1、3、5、7、9、11、13、15、18、20、22、24、25、27、29，共15个点接收到的csi数值作为离线训练数据，所有32个测量点接收到的数据用于检测本发明提出方法的准确性。

步骤2：导出原始数据，在本发明中，每根天线采集到的csi为30*t的矩阵h(t＝50*t，发包率为50packets/s，t为时间)的集合，显示了从发射天线到接收天线不同子载波上的信道增益。每根天线在一个测量点处接收到的csi矩阵h为：

其中hi表示第i条子载波的csi向量：

步骤3：在无线通信中，csi的传播过程中会受到多径效应以及环境的影响，原始数据不可避免会混杂一定程度的噪声。这里采用hampel滤波器去除异常点：

h′＝hampel(h,50*k)(18)

其中，h为测量点处被测的初始csi，k为常数，h'为消除异常点后的csi矩阵。

消除异常点后，使用中值滤波消除噪声：

m为常数，为降噪后的csi数据。

步骤4：计算场景无人时和存在目标时的频域上的相关系数，生成概率密度函数(probabilitydensityfunction，pdf)，根据pdf图像的交点确定阈值。步骤中所使用到的为第i条子载波接收到的csi矩阵中的子载波向量。

步骤4.1：场景无人状态下，计算两两子载波间的相关系数，每根接收天线接收到的数据生成的静态指纹csta为：

其中，为场景无人状态下第i条子载波和第i+1条子载波间的相关系数。

步骤4.2：有静止目标状态下，同样计算相关系数，每根接收天线接收到的数据生成的存在静止目标的指纹为：

其中，为存在静止目标状态下第i条子载波和第i+1条子载波间的相关系数，cstan_l为一个测量点上的指纹向量，l为测量位置点。

步骤4.3：存在动态目标状态下，计算相关系数，每根接收天线接收到的数据生成的存在动态目标的指纹为：

其中，为存在动态目标状态下第i条子载波和第i+1条子载波间的相关系数，cdyn_l为一个测量点上的指纹向量，l为测量位置点。

步骤4.4将csta、和在一张图中生成概率密度函数pdf，可发现无人和有人时的区分明显，存在静止目标和存在动态目标的区分不明显，因此比较pdf图像最高点的数值，确定阈值δ划出场景有人和无人状态的分界线。

步骤:5：使用滑动窗口，通过画出场景存在静止目标和存在动态目标时的特征指纹的概率分布直方图，并与在线阶段下采集的数据处理出的特征指纹的概率分布直方图作比对，进一步判断室内目标的活动状态。本步骤中，选取5秒作为滑动窗口算出m个相关系数值，为第j条子载波接收到的csi矩阵中的子载波向量。

步骤5.1：存在静止目标时，每根接收天线接收到的数据生成的特征指纹cstan_ave为：

其中，为每个滑动窗口下子载波间的特征指纹的平均值。

步骤5.2：存在动态目标时，每根接收天线接收到的数据生成的特征指纹cdyn_ave为：

其中，为每个滑动窗口下子载波间的特征指纹的平均值。

步骤6：采集一组任意时长的在线数据，计算在线状态下每根接收天线接收数据的相关系数矩阵tt：

画出矩阵tt的pdf图像，比较图像最高点与阈值δ的大小，判断测试状态是否为静态状态，若不少于两根天线上的测试值与阈值δ比较的结果得出目前状态为场景内存在目标，那么继续计算出每根天线上以5秒作为滑动窗口时频域上的相关系数矩阵tt′：

分别画出滑动窗口下相关系数矩阵tt′在三根天线状态下的概率分布直方图，将其与存在静止目标和存在动态目标时的概率分布直方图进行比对，相似度高的及为当前场景下存在目标的具体状态。

同时结合大量的实验数据，利用matlab进行仿真实验，验证方法的有效性。离线阶段的具体流程如图5所示，在线阶段的具体流程如图6所示。